MAF1731 - Microstructure and Trading Systems

B.Eng Financial Engineering



Frida María Hernández López - if720476

Dayana Navarro Valencia - if721470

November, 2022 | Repository: Link


Microestructura del mercado

Laboratorio 4



Abstract

En este laboratorio sed tiene como finalidad que se utilice información del Libro de Ordenes de Criptomonedas de diversos exchanges internacionales, con el objetivo primario de visualizar y modelar la microestructura del mercado por medio del comportamiento de Libro de Ordenes y sus caracteristicas como; Matching Engine, Levels, Ask-Bid Volumnes, etc.

Se identificara la microestructura de mercado para los cambios en los precios, la metodología empleada consiste en la construcción y posterior análisis de las series de tiempo utilizando los libros de órdenes obtenidos en el punto anterior de los siguientes elementos de la Microestructura de Mercado por cada asset y exchange:

  • Levels
  • Bid volume
  • Ask volume
  • Total volume
  • Mid price
  • VWAP

Se realizaran visualizaciones y se estimará el Effective Spread de Roll con:

  • Time
  • Close Price
  • Spread

Este es un campo de constante exploración y mayor uso en estudios empíricos de mercados específicos, direccionados a la gestión, explicación y pronóstico de inversiones en activos; a través de variables propias de la negociación local en cada mercado, tales como volatilidad, flujo de órdenes, spread bid-ask y costos de la operación. Adicionalmente se destaca la trascendencia del análisis de microestructura en periodos inferiores al intraday, como estrategia de inversión que propone una periodicidad más corta en los flujos de efectivo en el negocio aprovechando condiciones propias del mercado.


1. Introduction


La microestructura de los mercados abarca las reglas, que afectan la liquidez, los precios y las ganancias,y los sistemas de traiding usados por un mercado para predecir precios y diseñar sus estrategias de traiding. Es importante que el inversor entienda como funciona el mercado para mejorar sus sistemas de traiding. El mercado tiene una dependencia de los "market makers" ya que los precios se ejecutan de acuerdo a ellos este es un broker en el que las operaciones de compra o venta de instrumentos financierosno se realizan directamente en el mercado sino en la mesa de operaciones del propio broker, hay "market makers" para divisas, para índices, para accione, etc.

Los tipos de ordenes:

  • La orden de mercado
  • Orden limitada
  • Orden "stop"

Los tipos de mercados que existen son:

Geográfico

  • Mercado Internacional
  • Mercado Nacional
  • Mercado local

Tipo de cliente

  • Mercado del consumidor
  • Mercado del productor
  • Mercado del gobierno

Tipo de recurso

  • Mercado de materia prima
  • Mercado de dinero
  • Mercado fuerza de trabajo

Es importante también que haya transparencia, que en el pre-traiding se puede consultar el libro de ordenes precios bid-ask, flujo de órdenes, identidad de los traders y en el post-traiding haya velocidad y disponibilidad en que se difundan los precios, volúmen y hora de trade.

Un libro de órdenes es una lista de operaciones, ya sean electrónicas o manuales, que una bolsa utiliza para registrar el interés del mercado en un valor específico o instrumento financiero. Las acciones se cotizan normalmente en un libro de órdenes por volumen y por nivel de precios.

La microestructura de mercado también es importante por las regulaciones:

  • Reglas de preoridades de órdenes
  • Reglas del spread
  • Reglas de listado de empresas
  • Reglas de tamaño de lote mínimo
  • Reglas de límite de precio
  • Reglas de suspensión de "traiding"

Entre otras más, todo lo anterior hace que la microestructura de mercado facilite, regule y determine comportaminetos de los traders para que puedan implementar estrategias de traiding más eficientes.

Al conocer dinámica del precio en la microestructura de mercado, se cambiará el enfoque de los precios mensuales y diarios hacia Horizontes de tiempo de minutos y segundos, el Modelo Roll analiza el precio de las acciones determinando que el valor fundamental de la acción representa el valor presente de los flujos de efectivo futuros que se esperan y serán duraderos, en cambio, el precio de transacción.

Este modelo se implementa primero con el planteamiento de dos equaciones iniciales que componen el modelo, una para modelar el valor fundamental del activo financiero y otra para modelar el precio de transacción del mismo activo. Después se calcula la diferencia de precios, se calcula la multiplicación de las diferencias de precios y se hace el cálculo del Var.

1.1 Objetivo


En este laboratorio sed tiene como finalidad que se utilice información del Libro de Ordenes de Criptomonedas de diversos exchanges internacionales, con el objetivo primario de visualizar y modelar la microestructura del mercado por medio del comportamiento de Libro de Ordenes y sus caracteristicas como; Matching Engine, Levels, Ask-Bid Volumnes, etc.

En este laboratoria se espera que utilicemos el libro de órdenes especificamente de 3 cripromonedas de 3 eschanges con el objetivo de poder estudiar, analizar y visualizar la micorestructura del mercado por medio del comportamiento del libro de ordenes y sus componentes:

  • Volumen
  • Bid-Ask
  • Spread
  • Levels

Todo esto para poder estimar un Effective Spread de Roll.

OBJETIVO GENERAL

  • El objetivo general es elaborar un estudio que nos ayude a analizar la microestructura de las criptomonedas.

OBEJTIVOS ESPECIFICOS

  • Hacer una comparación del comportamiento de las diferentes monedas en los diferentes exchanges

  • Analizar la microestructura mediante el modelo de Roll para determinar el spread y effective spread


2. Install/Load Packages and Depedencies


2.1 Python Packages

In order to run this notebook, it is necessary to have installed and/or have the requirements.txt file with the following:

  • pandas>=1.1.0
  • numpy>=1.19.1
  • jupyter>=1.0.0
  • chart_studio>=1.1
  • plotly>=4.14

2.2 Install Packages

In [1]:
%%capture

# Install all the pip packages in the requirements.txt
import sys
!{sys.executable} -m pip install -r requirements.txt
In [1]:
import ccxt
import pandas as pd 
import numpy as np
import plotly.graph_objects as go
from datetime import datetime
import collections
import time
import functions as fn
import visualizations as vs
//anaconda3/lib/python3.7/site-packages/pandas/compat/_optional.py:138: UserWarning: Pandas requires version '2.7.0' or newer of 'numexpr' (version '2.6.9' currently installed).
  warnings.warn(msg, UserWarning)


3. Data Description


Los datos descragados son los order books de las diferentes monedas en los diferentes spreads, estas se corrieron 3600 segundos para tener los históticos de 1 hora de datos para cada uno y se realizó un dataframe para tener un resumen de los datos que mostrara:

  • Levels
  • Bid volume
  • Ask volume
  • Total volume
  • Mid price
  • VWAP

También se descargaron los closes price de cada una de las monedas para poder utilizarlos en el siguiente dataframe que consistía de un resumen de:

  • Time
  • Close Price
  • Spread
  • Effective spread

MONEDAS

Las monedas utilizadas fueron: BTC/USDT,BTC/USDC,ETH/USDT, ya que nos pareció interesante su comportamiento y tiene una participación amplia en el mercado de criptos. Como se puede notar trabajamos con USDC Y USDT la diferencia rádica en que la primera es un tipo de stablecoin. Es un activo digital y un sistema de pago respaldado por activos del mundo real en USD. La segunda es una moneda digital que utiliza tecnología blockchain. Se trata de un activo descentralizado y tiene un protocolo de código abierto.

EXCHANGES

Por otra parte, se decidieron utilizar los exchanges de Bitmart, bitforex y bibox que son grandes compañías dentro de estos mercados y que nos parecieron interesantes su comparación.

Para el análisis de las cryptomonedas se analizaron tres tipos, dos bitcoins una stablecoin y otra tradicional con uso de tecnología blockchain, así como también una moneda ethereum. Analizando su comportamiento surge la duda de señalar en que radica la diferencia entre bitcoins y ethereums ya que son estas las dos más importantes del mundo. Bitcoin es la moneda más descentralizada que existe. El crecimiento de precio de ethereum ha sido bastante bajo debido a la emisión inflacionaria, al contrario de Bitcoin que maneja una emisión deflacionaria. En cuestion de emisión total de monedas Bitcoin se encuentra por mucho más adelante que ethereum con un valor total de alrededor de 21 millones de monedas, emisión que va disminuyendo hasta llegar a cero al contrario de ethereum que cuenta con emisión infinita, al tener control de inflación se evita que se genere una inflación superior al 2% anual.

En términos de transacciones Bitcoin se encuentra limitada a alrededor de 8 transacciones por segundo mientras que las cifras de ethereum duplican este valor al llegar a entre 16 y 20 transacciones por segundo.


4. Consumir datos de CCXT


En esta sección se consumió el libro de órdenes de los siguientes exchanges para criptomonedas: bitmart, bitforex y bibox. Y, de por lo menos 3 exchanges y para 3 criptomonedas: ['BTC/USDT','BTC/USDC','ETH/USDT']


In [41]:
cryptos=['BTC/USDT','BTC/USDC','ETH/USDT']
limite=20
exchanges=[ccxt.bitmart(),ccxt.bitforex(),ccxt.bibox()]

BTC/USDT

In [3]:
ob_c1=fn.order_book(cryptos[0],exchanges)

BTC/USDC

In [12]:
ob_c2=fn.order_book(cryptos[1],exchanges)

ETH/USDT

NOTA: Comenzaron a fallar las conexiones, esta moneda para los tres exchange no se pudo correr. Esto lo atribuimos a que ethereum carga consigo la actividad de miles de tokens adicionales que sobrecargan la red, algo que en Bitcoin no sucede.La red de ethereum es muy pesada y falla las conexiones mientras que la red de bitcoin es de la más poderosas que existen ya que tiene un gran poder computacional.

In [44]:
ob_c3=fn.order_book(cryptos[2],exchanges)

4.1 Close Price

Así mismo, el OHLC de las mismas criptomonedas para el mismo timeframe que el libro de órdenes.


BTC/USDT

In [4]:
c1m1=fn.close_prices(exchanges,cryptos[0],ob_c1,0)
c1m2=fn.close_prices(exchanges,cryptos[0],ob_c1,1)
c1m3=fn.close_prices(exchanges,cryptos[0],ob_c1,2)

BTC/USDC

In [13]:
c2m1=fn.close_prices(exchanges,cryptos[1],ob_c2,0)
c2m2=fn.close_prices(exchanges,cryptos[1],ob_c2,1)
c2m3=fn.close_prices(exchanges,cryptos[1],ob_c2,2)

ETH/USDT

In [9]:
c3m1=fn.close_prices(exchanges,cryptos[2],ob_c3,0)
c3m2=fn.close_prices(exchanges,cryptos[2],ob_c3,1)
c3m3=fn.close_prices(exchanges,cryptos[2],ob_c3,2)

4.2 Diccionario

Para poder completar esta sección, se creo un diccionario con el LO y el Close price de cada activo y cada exchange.


In [10]:
d={'Exchange_1 '+str(exchanges[0]):{'Crypto1':ob_c1[0],
                 'Closes':c1m1[0],
                 'Crypto2':ob_c2[0],
                 'Closes':c2m1[0],
                 'Crypto3':ob_c3[0],
                 'Closes':c3m1[0]},
  'Exchange_2 '+str(exchanges[1]):{'Crypto1':ob_c1[1],
                 'Closes':c1m2[0],
                 'Crypto2':ob_c2[1],
                 'Closes':c2m2[0],
                 'Crypto3':ob_c3[1],
                 'Closes':c3m2[0]},
  'Exchange_3 '+str(exchanges[2]):{'Crypto1':ob_c1[2],
                 'Closes':c1m3[0],
                 'Crypto2':ob_c2[2],
                 'Closes':c2m3[0],
                 'Crypto3':ob_c3[2],
                 'Closes':c3m3[0]}}
In [ ]:
d
In [ ]:
d['Exchange_1 BitMart']['Crypto2']

4.3 Visualizacion de microestructura

Construcción del DataFrame utilizando los Libros de Ordenes obtenidos en el punto anterior de los siguientes elementos de la Microestructura de Mercado por cada asset y exchange:

  • Levels
  • Bid volume
  • Ask volume
  • Total volume
  • Mid price
  • VWAP

BTC/USDT

In [5]:
vac1=fn.verifavance2(ob_c1,limite,60,exchanges)
vac1[0]
Out[5]:
exchange timeStamp level ask_volume bid_volume total_volume mid_price vwap
0 BitMart 2022-11-11T18:28:08.560Z 20 11.237340 3.629010 14.866350 16962.230 4.364321e+06
1 BitMart 2022-11-11T18:29:14.090Z 20 33.698500 6.726300 40.424800 16961.905 1.604993e+06
2 BitMart 2022-11-11T18:30:15.372Z 20 22.114620 39.414910 61.529530 16943.020 1.054478e+06
3 BitMart 2022-11-11T18:31:17.784Z 20 16.266450 30.781570 47.048020 16944.440 1.379049e+06
4 BitMart 2022-11-11T18:32:19.356Z 20 17.534490 38.192880 55.727370 16958.440 1.164267e+06
... ... ... ... ... ... ... ... ...
175 Bibox 2022-11-11T19:25:09.619Z 20 14.600639 16.498265 31.098904 16811.650 2.086296e+06
176 Bibox 2022-11-11T19:26:11.269Z 20 16.102333 17.171330 33.273663 16810.450 1.949936e+06
177 Bibox 2022-11-11T19:27:14.000Z 20 15.202554 17.285036 32.487590 16835.250 1.997117e+06
178 Bibox 2022-11-11T19:28:15.611Z 20 16.308256 18.612943 34.921199 16837.400 1.857941e+06
179 Bibox 2022-11-11T19:29:17.227Z 20 20.426691 18.884092 39.310783 16841.750 1.650476e+06

180 rows × 8 columns

BTC/USDC

In [14]:
vac2=fn.verifavance2(ob_c2,limite,60,exchanges)
vac2[0]
Out[14]:
exchange timeStamp level ask_volume bid_volume total_volume mid_price vwap
0 BitMart 2022-11-11T19:32:31.188Z 20 9.677816 10.504621 20.182437 16786.200 9.348112e+05
1 BitMart 2022-11-11T19:33:32.745Z 20 5.704531 8.728174 14.432705 16757.530 1.307223e+06
2 BitMart 2022-11-11T19:34:34.321Z 20 0.529967 0.612092 1.142059 16754.240 1.651996e+07
3 BitMart 2022-11-11T19:35:37.003Z 20 0.597647 0.576825 1.174472 16765.145 1.606404e+07
4 BitMart 2022-11-11T19:36:39.388Z 20 11.655305 12.632011 24.287316 16731.385 7.768157e+05
... ... ... ... ... ... ... ... ...
175 Bibox 2022-11-11T20:29:21.237Z 20 1.111900 2081.743100 2082.855000 16653.185 9.058128e+03
176 Bibox 2022-11-11T20:30:21.995Z 20 1.187600 1398.512700 1399.700300 16681.375 1.347915e+04
177 Bibox 2022-11-11T20:31:22.000Z 20 1.191000 824.016300 825.207300 16687.810 2.286306e+04
178 Bibox 2022-11-11T20:32:24.000Z 20 1.154100 2106.208000 2107.362100 16686.315 8.952789e+03
179 Bibox 2022-11-11T20:33:26.342Z 20 1.612800 2358.254900 2359.867700 16630.040 7.994841e+03

180 rows × 8 columns

ETH/USDT

In [13]:
vac3=fn.verifavance2(ob_c3,limite,60,exchanges)
vac3[0]
Out[13]:
exchange timeStamp level ask_volume bid_volume total_volume mid_price vwap
0 BitMart 2022-11-10T04:13:15.801Z 20 109.67097 197.66790 307.33887 1171.950 128.782507
1 BitMart 2022-11-10T04:13:16.759Z 20 8.37669 140.20666 148.58335 1171.950 266.381598
2 BitMart 2022-11-10T04:13:19.581Z 20 9.07684 180.22410 189.30094 1172.025 209.084383
3 BitMart 2022-11-10T04:13:21.373Z 20 9.83002 225.78369 235.61371 1171.630 167.986278
4 BitMart 2022-11-10T04:13:23.106Z 20 8.48865 347.24797 355.73662 1171.765 111.261726

5. Visualizaciones- MID PRICE

Gráficas que agrupan cada exchange por moneda para el MID PRICE


5.1 BTC/USDT

In [6]:
vs.visualizationMID(vac1[0],cryptos[0])

5.2 BTC/USDC

In [15]:
vs.visualizationMID(vac2[0],cryptos[1])

5.3 ETH/USDT

In [45]:
vs.visualizationMID(vac3[0],cryptos[2])

6. Visualizaciones- VWAP

Gráficas que agrupan cada exchange por moneda para el VWAP


6.1 BTC/USDT

In [7]:
vs.visualizationVWAP(vac1[0],cryptos[0])

6.2 BTC/USDC

In [16]:
vs.visualizationVWAP(vac2[0],cryptos[1])

6.3 ETH/USDT

In [ ]:
vs.visualizationVWAP(vac3[0],cryptos[2])

7. Visualizaciones- ASK VOLUMEN

Gráficas que agrupan cada exchange por moneda para el Ask Volumen


7.1 BTC/USDT

In [8]:
vs.visualizationAV(vac1[0],cryptos[0])

7.2 BTC/USDC

In [17]:
vs.visualizationAV(vac2[0],cryptos[1])

7.3 ETH/USDT

In [ ]:
vs.visualizationAV(vac3[0],cryptos[2])

8. Visualizaciones- BID VOLUMEN

Gráficas que agrupan cada exchange por moneda para el Bid Volumen


8.1 BTC/USDT

In [9]:
vs.visualizationBV(vac1[0],cryptos[0])

8.2 BTC/USDC

In [18]:
vs.visualizationBV(vac2[0],cryptos[1])

8.3 ETH/USDT

In [ ]:
vs.visualizationBV(vac3[0],cryptos[2])

9. Visualizaciones- VOLUMEN TOTAL

Gráficas que agrupan cada exchange por moneda para el Volumen Total


9.1 BTC/USDT

In [10]:
vs.visualizationVT(vac1[0],cryptos[0])

9.2 BTC/USDC

In [19]:
vs.visualizationVT(vac2[0],cryptos[1])

9.3 ETH/USDT

In [ ]:
vs.visualizationVT(vac3[0],cryptos[2])

10. Modelado de la Microestructura


Para el modelado de la microestructura se tomo en cuenta el modelo propuesto por Roll para el spread

Modelo Roll (Effective Spread)

$$\text{Roll's Spred} = 2\sqrt{-cov(\Delta P_t, \Delta P_{t-1})}$$

Utilizando la serie resagada en t-5

NOTA:

  • Ventana de tiempo de 5 días sobre los retornos del precio
  • Valor absoluto de la covarianza dato que por la poca cantidad de datos se pudiera no tener información

BTC/USDT

In [11]:
va3_1=fn.verifavance3(vac1[1],c1m1,c1m2,c1m3)
va3_1
Out[11]:
timestamp Close Spread Effective Spread
0 2022-11-11T18:29:00.000Z 16958.39 8.2870 NaN
1 2022-11-11T18:30:00.000Z 16947.93 19.7405 NaN
2 2022-11-11T18:31:00.000Z 16947.52 32.3120 NaN
3 2022-11-11T18:32:00.000Z 16965.96 21.7245 NaN
4 2022-11-11T18:33:00.000Z 16958.23 29.6840 NaN
... ... ... ... ...
175 2022-11-11T19:24:00.000Z 16812.80 13.1100 56.077283
176 2022-11-11T19:25:00.000Z 16803.30 12.9350 55.9321
177 2022-11-11T19:26:00.000Z 16828.70 7.0000 55.912734
178 2022-11-11T19:27:00.000Z 16822.70 12.8600 55.760156
179 2022-11-11T19:28:00.000Z 16838.20 8.1700 55.656422

180 rows × 4 columns

BTC/USDC

In [20]:
va3_2=fn.verifavance3(vac2[1],c2m1,c2m2,c2m3)
va3_2
Out[20]:
timestamp Close Spread Effective Spread
0 2022-11-11T19:33:00.000Z 16759.59 26.9760 NaN
1 2022-11-11T19:34:00.000Z 16751.96 19.4755 NaN
2 2022-11-11T19:35:00.000Z 16758.20 4.9415 NaN
3 2022-11-11T19:36:00.000Z 16731.57 4.5635 NaN
4 2022-11-11T19:37:00.000Z 16729.45 30.0280 NaN
... ... ... ... ...
175 2022-11-11T20:28:00.000Z 16682.87 133.6595 51.313618
176 2022-11-11T20:29:00.000Z 16636.78 125.7580 51.627574
177 2022-11-11T20:30:00.000Z 16693.75 129.6040 52.205519
178 2022-11-11T20:31:00.000Z 16672.68 125.6290 52.150221
179 2022-11-11T20:32:00.000Z 16642.97 127.7375 52.186669

180 rows × 4 columns

ETH/USDT

In [ ]:
va3_3=fn.verifavance3(vac3[1],c3m1,c3m2,c3m3)
va3_3

11.CONCLUSIONES


Se utilizaron entonces 3 diferentes exchanges (bitmart, bitforex y bibox) para estudiar el comportamiento de las crypto monedas en diferentes espacios o casas de cambio virtuales, que es en donde se realizan los intercambios de crypto y se genera el precio de mercado.

Hay muchos tipos de cryptos en uso actualmente, entre ellas destacan las stablecoins o "monedas estables" como ya mencionabamos. En este laboratorio utilizamos tres monedas una que es BTC/USDT, BTC/USDC y ETH/USDT. Fueron interesante de estudiar ya que son distintas en su funcionamiento:

  • La USDC es un tipo de stablecoin. Es un activo digital y un sistema de pago respaldado por activos del mundo real en USD. Las stablecoins son criptomonedas que tienen un precio fijo. Es digital y estable. Tiene baja volatilidad y su precio está ligado al dólar estadounidense. Sin mebargo la USDC está destinada a proporcionar pagos más rápidos, más eficientes y de menor costo que los sistemas financieros tradicionales. USDC es una de las stablecoins más confiables. De hecho, es la segunda stablecoin más grande y con mayor volumen de capitalización de mercado. Esto la hace una opción interesante para aquellos que buscan incursionar en el mundo de las cryptos estables.

  • La USDT es una moneda digital que utiliza tecnología blockchain. Se trata de un activo descentralizado y tiene un protocolo de código abierto. Actualmente, USDT es la tercera criptomoneda más grande por volumen de negociación en el ecosistema crypto.Gracias a la estabilidad del USDT, los inversores pueden mantener sus activos digitales de manera similar a las monedas fiduciarias regulares, pero al mismo tiempo conservan la capacidad de intercambiarlas fácilmente por otras monedas en el mercado de criptomonedas. Fueron estas características clave las que hicieron que esta moneda fuera popular; sin embargo, no es completamente inmune al riesgo. En otras palabras, es un token no regulado. El objetivo principal de la creación de esta criptomoneda fue facilitar transacciones con una tasa fijada en el dólar estadounidense, con el fin de eludir la intervención estatal y la supervisión regulatoria.

Con las criptomonedas tradicionales, el precio del activo fluctúa. Con las stablecoins, en cambio, existe un precio determinado que limita las fluctuaciones, muy comunes en la mayoría de las cryptos.

Estas fueron interesantes de analizar sobre todo de la comparación entre los distintos exchanges y las posibles razones por las cuáles algunos se comportan parecido pero al mismo tiempo diferentes, como el que tengan mayor volatilidad o caídas ya sea por su integración, participantes, rapidez de transmisión de información, etc.

Visualizaciones

Se graficaron los datos de los tickers y de las exchanges, donde comparabamos el bid, ask, midle price y el VWAP, se puede observar que en las exchanges son parecidas en el comportamiento de las monedas pero en diferente dimensión, unas son más grandes que otras.

Al comparar por Ticker de los precios de cierre se puede observar que siguen tendencias muy parecidas la mayor parte del tiempo pero si se nota como las USDT son mucho más volatiles sobre todo en los volumenes, por el contrario en las USCD las discrepancias son menores, posiblemente por una mayor integración entre las plataformas así como una mayor participación en el mercado lo que se traduce en que no hay oportunidad de arbitraje y el precio refleja la información del mercado.

De la misma forma, con el close price se puede observar que el spread en el caso de las USDC es mas grande en comparación con USDT que tiene cambios más pequeños. Posiblemente eso se deba al volumen que se mueve, la cantidad de participantes, la liquidez, así como la posibilidad de la incorporación de Market Makers que distorsionan el spread.

Se puede observar que los USDT las ordenes estaban más concentradas en un determinado rango mientras en USDC en los cambio había una mayor movilidad de los distintos niveles y los volúmenes no están tan agrupados.

El modelo de Roll funciona para predecir el cambio en el spread de mejor manera, sin embargo la aproximación no es perfecta, respecto a los exchanges las diferencias entre el modelo y el dato real son muy diferentes, posiblemente porque el existen Market Makers que distorsionan el Spread, estas monedas es un caso interesante ya que el modelo de roll es más volátil y la escala cambia pero de alguna manera se logra ver una tendencia.

12. References